CN116115189A - 黑血电影成像方法、装置和计算机设备 - Google Patents
黑血电影成像方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116115189A CN116115189A CN202211705690.1A CN202211705690A CN116115189A CN 116115189 A CN116115189 A CN 116115189A CN 202211705690 A CN202211705690 A CN 202211705690A CN 116115189 A CN116115189 A CN 116115189A
- Authority
- CN
- China
- Prior art keywords
- space data
- space
- rearranged
- target part
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及一种黑血电影成像方法、装置和计算机设备。所述方法包括:获取目标部位的K空间数据和生理信号;所述K空间数据所在的K空间包括中心区域和外围区域,所述中心区域的采样率大于所述外围区域的采样率;根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据;对所述重排列后的K空间数据进行图像重建,得到所述目标部位的黑血电影图像。采用本方法能够提高黑血电影成像的速度。
Description
技术领域
本申请涉及磁共振成像技术领域,特别是涉及一种黑血电影成像方法、装5置和计算机设备。
背景技术
黑血电影成像方式能够抑制成像区域的血流信号,增加血流与管壁之间的对比度,在临床上具有广泛应用。
0现有技术中,通常采用三维梯度回波进行黑血电影成像,然而,三维梯度
回波成像容易受到磁化率等因素的干扰,成像效果依赖于对血液和脂肪的压制效果。自旋回波成像对磁场不均匀性的敏感度较小,能够避免上述问题,适用于全身各部位血管及脏器的成像,然而,自旋回波成像通常采集时间较长,难以实现黑血电影的快速成像。
5因此,目前的黑血电影成像技术中存在成像速度较慢的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够快速成像的黑血电影成像方法、装置、计算机设备和计算机可读存储介质。
0第一方面,本申请提供了一种黑血电影成像方法。所述方法包括:
获取目标部位的K空间数据和生理信号;所述K空间数据所在的K空间包括中心区域和外围区域,所述中心区域的采样率大于所述外围区域的采样率;
根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据;
5对所述重排列后的K空间数据进行图像重建,得到所述目标部位的黑血电影图像。
在其中一个实施例中,所述获取目标部位的K空间数据和生理信号,包括:
根据预设的采样轨迹,在所述K空间对所述目标部位进行采样处理,得到所述K空间数据。
在其中一个实施例中,所述根据预设的采样轨迹,在所述K空间对所述目标部位进行采样处理,得到所述K空间数据,包括:
根据所述采样轨迹,在所述K空间的中心区域对所述目标部位进行满采样处理,并在所述K空间的外围区域对所述目标部位进行降采样处理,得到所述K空间数据。
在其中一个实施例中,所述在所述K空间的外围区域对所述目标部位进行降采样处理,包括:
在所述K空间的外围区域,对所述目标部位进行随机的降采样处理;所述随机的降采样处理的采样率小于奈奎斯特采样率。
在其中一个实施例中,所述获取目标部位的K空间数据和生理信号,还包括:
确定所述目标部位的K空间数据的采样时刻;
根据所述采样时刻,采集所述目标部位的生理信号。
在其中一个实施例中,所述根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据,包括:
根据所述生理信号的状态,确定所述生理信号对应的状态分期;
根据所述状态分期,对所述K空间数据进行重排列处理,得到所述重排列后的K空间数据。
在其中一个实施例中,所述生理信号包括心电信号、呼吸信号和/或运动信号,所述状态分期包括所述心电信号对应的心动分期、所述呼吸信号对应的呼吸分期和/或所述运动信号对应的运动分期;所述根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据,还包括:
确定所述心动分期、所述呼吸分期和/或所述运动分期;
根据所述心动分期、所述呼吸分期和/或所述运动分期,对所述K空间数据进行重排列处理,得到所述重排列后的K空间数据。
在其中一个实施例中,所述对所述重排列后的K空间数据进行图像重建,得到所述目标部位的黑血电影图像,包括:
对所述重排列后的K空间数据进行傅里叶变换,得到变换后的K空间数据;
对所述变换后的K空间数据进行图像重建,得到所述目标部位的所述黑血电影图像。
第二方面,本申请还提供了一种黑血电影成像装置。所述装置包括:
获取模块,用于获取目标部位的K空间数据和生理信号;所述K空间数据所在的K空间包括中心区域和外围区域,所述中心区域的采样率大于所述外围区域的采样率;
排列模块,用于根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据;
重建模块,用于对所述重排列后的K空间数据进行图像重建处理,得到所述目标部位的黑血电影图像。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标部位的K空间数据和生理信号;所述K空间数据所在的K空间包括中心区域和外围区域,所述中心区域的采样率大于所述外围区域的采样率;
根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据;
对所述重排列后的K空间数据进行图像重建,得到所述目标部位的黑血电影图像。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标部位的K空间数据和生理信号;所述K空间数据所在的K空间包括中心区域和外围区域,所述中心区域的采样率大于所述外围区域的采样率;
根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据;
对所述重排列后的K空间数据进行图像重建,得到所述目标部位的黑血电影图像。
上述黑血电影成像方法、装置、计算机设备和存储介质,通过获取目标部位的K空间数据和生理信号,其中,K空间数据所在的K空间包括中心区域和外围区域,中心区域的采样率大于外围区域的采样率,根据生理信号的状态,对K空间数据进行重排列处理,得到重排列后的K空间数据,对重排列后的K空间数据进行图像重建,得到目标部位的黑血电影图像;可以在K空间的中心区域进行满采样,外围区域进行降采样,在保留中心区域低频信息的同时减少外围区域的高频信息,在保证成像质量的基础上减少了K空间采样的数量,提高了黑血电影成像的速度。
而且,通过根据生理信号的状态对K空间数据进行重排列,基于重排列后的K空间数据进行图像重建,可以根据目标部位的生理特征进行图像重建,使重建后的电影图像能够反映目标部位在不同生理状况下的组织结构、运动特征或者应变特性。
附图说明
图1为一个实施例中黑血电影成像方法的流程示意图;
图2为一个实施例中根据笛卡尔轨迹进行非均匀降采样的K空间的示意图;
图3为一个实施例中根据非笛卡尔轨迹进行非均匀降采样的K空间的示意图;
图4为一个实施例中根据生理信号对三维自旋回波序列进行监控的示意图;
图5为一个实施例中根据生理信号对K空间数据进行重排列的示意图;
图6为一个实施例中磁共振黑血电影成像方法的流程示意图;
图7为一个实施例中黑血电影成像装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种黑血电影成像方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S110,获取目标部位的K空间数据和生理信号;K空间数据所在的K空间包括中心区域和外围区域,中心区域的采样率大于外围区域的采样率。
其中,目标部位可以为进行磁共振成像的部位。例如,血管部位。
其中,K空间数据可以为存储在K空间的数据,用于描述磁共振图像的空间频率信息。
其中,生理信号可以但不限于是心电信号、呼吸信号或者运动信号。
具体实现中,可以控制磁共振设备采用自旋回波序列对目标部位进行扫描,得到目标部位的K空间数据,将目标部位的K空间数据发送至终端,还可以控制生理信号采集设备采集目标部位的生理信号,将目标部位的生理信号也发送至终端,从而使得终端可以获取到目标部位的K空间数据和生理信号。
其中,K空间数据和生理信号可以同步采集。
其中,可以将K空间数据所在的K空间分为靠近中心的中心区域,以及远离中心的外围区域,K空间数据在中心区域的采样率可以为满采样,在外围区域的采样率可以为降采样。
实际应用中,磁共振设备可以采用三维快速自旋回波序列对血管部位进行扫描,得到K空间数据,其中,K空间数据的采集轨迹可以但不限于是笛卡尔轨迹、径向轨迹、螺旋线轨迹、黄金角度径向采集轨迹或者螺旋线堆轨迹,且K空间数据在K空间中心区域进行满采样,在K空间外围区域以适当的降采样倍数进行随机降采样。针对不同的血管部位,还可以采用不同的生理信号采集设备同步采集生理信号,典型地,针对心脏血管,可以使用心电监控设备同步采集心电信号;针对肺血管,可以使用呼吸监控设备同步采集呼吸信号;针对颈部血管,可以使用运动监控设备同步采集吞咽运动信号。
图2提供了一个根据笛卡尔轨迹进行非均匀降采样的K空间的示意图。根据图2,K空间可以包括中心区域201和外围区域202,使用笛卡尔采样轨迹,在中心区域201采用满采样,在外围区域202采用降采样,由于中心区域201与外围区域202的采样率不同,使得整个K空间的采样率非均匀,通过合理设置外围区域202的采样率,可以使得整个K空间的平均采样率远小于奈奎斯特采样率,由于K空间的中心区域为低频信息,外围区域为高频信息,在外围区域降采样,可以在保证整体的对比度的情况下,减少采样时间。
图3提供了一个根据非笛卡尔轨迹进行非均匀降采样的K空间的示意图。根据图3,采样轨迹还可以为径向轨迹、螺旋线轨迹、黄金角度径向采集轨迹或者螺旋线堆轨迹等。
图4提供了一个根据生理信号对三维自旋回波序列进行监控的示意图。根据图4,在使用三维快速自旋回波序列进行扫描的同时,可以使用心电监控设备同步采集心电信号,使用呼吸监控设备同步采集呼吸信号,或者使用运动监控设备同步采集运动信号。
步骤S120,根据生理信号的状态,对K空间数据进行重排列处理,得到重排列后的K空间数据。
其中,生理信号的状态可以但不限于是心电信号、呼吸信号或者运动信号的状态,例如,针对心电信号,可以是在不同心动周期的状态,针对呼吸信号,可以是在吸气相、呼气相和平台期的状态,针对吞咽运动信号,可以是吞咽正常或者异常的状态。
具体实现中,终端可以针对获取到的生理信号,确定生理信号的状态,并根据生理信号的状态,对K空间数据进行重排列,得到重排列后的K空间数据。
实际应用中,终端可以将采集到的心电信号按照心动周期分为多个心动分期(心动时相),还可以将采集到的呼吸信号按照呼吸波分为吸气相、呼气相和平台期等分期,得到呼吸分期,对于采集到的运动信号,还可以从中识别出正常或者异常的运动状态,根据识别到的运动状态确定运动分期。在时间维度,终端可以对K空间数据进行重新分配,将K空间数据按照采集时所处的心动分期、呼吸分期或者运动分期进行重新排列,得到重排列后的K空间数据。
图5提供了一个根据生理信号对K空间数据进行重排列的示意图。根据图5,针对心脏血管,可以将K空间数据按照采集时所处的心动分期进行重新排列;针对肺血管,可以将K空间数据按照采集时所处的呼吸分期进行重新排列;针对颈部血管,可以将K空间数据按照采集时所处的运动分期以及心动分期进行重新排列。
步骤S130,对重排列后的K空间数据进行图像重建,得到目标部位的黑血电影图像。
其中,黑血电影图像可以为多帧连续的磁共振图像所组成的动态系列影像。
具体实现中,可以对重排列后的K空间数据进行傅里叶变换,得到变换后的K空间数据,还可以对变换后的K空间数据进行图像重建,得到目标部位的电影图像。
其中,图像重建的方法可以但不限于是基于深度学习、机器学习、压缩感知、并行成像或者低秩矩阵的图像重建方法。
例如,对于根据心动分期进行重新排列的K空间数据,可以通过图像重建得到心脏血管的黑血电影图像;对于根据呼吸分期进行重新排列的K空间数据,可以通过图像重建得到肺血管的黑血电影图像;对于根据颈部运动分期和心动分期进行重新排列的K空间数据,可以通过图像重建得到颈部血管的黑血电影图像。
上述黑血电影成像方法,通过获取目标部位的K空间数据和生理信号,其中,K空间数据所在的K空间包括中心区域和外围区域,中心区域的采样率大于外围区域的采样率,根据生理信号的状态,对K空间数据进行重排列处理,得到重排列后的K空间数据,对重排列后的K空间数据进行图像重建,得到目标部位的黑血电影图像;可以在K空间的中心区域进行满采样,外围区域进行降采样,在保留中心区域低频信息的同时减少外围区域的高频信息,在保证成像质量的基础上减少了K空间采样的数量,提高了黑血电影成像的速度。
而且,通过根据生理信号的状态对K空间数据进行重排列,基于重排列后的K空间数据进行图像重建,可以根据目标部位的生理特征进行图像重建,使重建后的电影图像能够反映目标部位在不同生理状况下的组织结构、运动特征或者应变特性。
在一个实施例中,上述步骤S110,可以具体包括:根据预设的采样轨迹,在K空间对目标部位进行采样处理,得到K空间数据。
具体实现中,终端可以控制磁共振设备使用自旋回波序列,根据预设的K空间的采样轨迹,对目标部位进行采样,得到K空间数据。其中,采样轨迹可以但不限于是笛卡尔轨迹、径向轨迹、螺旋线轨迹、黄金角度径向采集轨迹或者螺旋线堆轨迹中的任意一种。其中,采样轨迹还可以是在中心区域满采样,在外围区域降采样的非均匀降采样的采样轨迹,通过合理设置外围区域降采样的采样率,可以使得K空间数据的平均采样率远小于奈奎斯特采样率。
本实施例中,通过根据预设的采样轨迹,在K空间对目标部位进行采样处理,得到K空间数据,可以在保证成像质量的基础上,使用较少的K空间数据进行图像重建,提高黑血电影成像的速度。
在一个实施例中,上述根据预设的采样轨迹,在K空间对目标部位进行采样处理,得到K空间数据的步骤,可以具体包括:根据采样轨迹,在K空间的中心区域对目标部位进行满采样处理,并在K空间的外围区域对目标部位进行降采样处理,得到K空间数据。
具体实现中,终端可以控制磁共振设备使用自旋回波序列,根据预设的采样轨迹,在K空间的中心区域对目标部位进行满采样,在K空间的外围区域对目标部位进行降采样,得到K空间数据。其中,外围区域降采样的采样率可以被设置为能够使得K空间数据的平均采样率远小于奈奎斯特采样率。
本实施例中,通过根据采样轨迹,在K空间的中心区域对目标部位进行满采样处理,并在K空间的外围区域对目标部位进行降采样处理,得到K空间数据,可以在保证成像质量的基础上,使用较少的K空间数据进行图像重建,提高黑血电影成像的速度。
在一个实施例中,上述在K空间的外围区域对目标部位进行降采样处理的步骤,可以具体包括:在K空间的外围区域,对目标部位进行随机的降采样处理;随机的降采样处理的采样率小于奈奎斯特采样率。
具体实现中,可以在K空间的外围区域对目标部位进行随机的降采样处理,外围区域降采样的采样率可以被设置为小于奈奎斯特采样率,进一步地,外围区域降采样的采样率还可以被设置为能够使得K空间数据的平均采样率远小于奈奎斯特采样率。
本实施例中,通过在K空间的外围区域,对目标部位进行随机的降采样处理,可以在保证成像质量的基础上,使用较少的K空间数据进行图像重建,提高黑血电影成像的速度。
在一个实施例中,上述步骤S110,具体还可以包括:确定目标部位的K空间数据的采样时刻;根据采样时刻,采集目标部位的生理信号。
其中,生理信号包括心电信号、呼吸信号和运动信号中的至少一种。
具体实现中,终端可以获取到目标部位的K空间数据的采样时刻,并根据获取到的采样时刻,控制生理信号采集设备采集目标部位的生理信号。
实际应用中,终端可以在K空间数据的采样时刻,向生理信号采集设备发送对目标部位的生理信号进行采集的指令,生理信号采集设备在接收到该指令时,采集目标部位的生理信号。还可以预先设置采样时刻,控制磁共振设备和生理信号采集设备在预先设置的采样时刻,同步采集目标部位的K空间数据和生理信号,并分别将采集到的K空间数据和生理信号发送至终端。
本实施例中,通过确定目标部位的K空间数据的采样时刻;根据采样时刻,采集目标部位的生理信号,可以对目标部位的K空间数据和生理信号进行同步采集,便于根据目标部位的生理信号监控黑血电影图像,进而对目标部位的组织结构、运动特征或者应变特性等进行全面分析。
在一个实施例中,上述步骤S120,可以具体包括:根据生理信号的状态,确定生理信号对应的状态分期;根据状态分期,对K空间数据进行重排列处理,得到重排列后的K空间数据。
其中,状态分期可以为生理信号的状态所对应的分期,可以但不限于是心动分期、呼吸分期或者运动分期。
具体实现中,终端可以根据生理信号的状态,确定生理信号的状态分期,在获取K空间数据后,可以根据状态分期对K空间数据进行重排列,得到重排列后的K空间数据。
实际应用中,针对心电信号,可以按照心动周期对心电信号进行分期,得到心动分期(心动时相),根据心动分期对K空间数据进行重排列;针对呼吸信号,可以按照吸气相、呼气相和平台期进行分期,得到呼吸分期,根据呼吸分期对K空间数据进行重排列;针对运动信号,可以识别出其中正常或者异常的运动状态,根据正常或者异常的运动状态对运动信号进行分期,得到运动分期,根据心动分期和运动分期,对K空间数据进行重排列。
本实施例中,通过根据生理信号的状态,确定生理信号对应的状态分期,根据状态分期,对K空间数据进行重排列处理,得到重排列后的K空间数据,可以根据目标部位生理信号的状态对K空间数据进行重新排列,使重建后的电影图像可以反映目标部位不同生理信号状态下的组织结构、运动特征或者应变特性,便于对目标部位进行全面分析。
在一个实施例中,生理信号包括心电信号、呼吸信号和/或运动信号,状态分期包括心电信号对应的心动分期、呼吸信号对应的呼吸分期和/或运动信号对应的运动分期;上述步骤S120,具体还可以包括:确定心动分期、呼吸分期和/或运动分期;根据心动分期、呼吸分期和/或运动分期,对K空间数据进行重排列处理,得到重排列后的K空间数据。
具体实现中,终端可以将采集到的心电信号按照心动周期分为多个心动分期(心动时相),将采集到的呼吸信号按照呼吸波分为吸气相、呼气相和平台期等呼吸分期,和/或,从采集到的运动信号中识别出正常或者异常的运动状态,根据正常或者异常的运动状态确定运动分期,根据所确定的心动分期、呼吸分期和/或运动分期,对K空间数据进行重新排列,得到重排列后的K空间数据。
本实施例中,通过确定心动分期、呼吸分期和/或运动分期;根据心动分期、呼吸分期和/或运动分期,对K空间数据进行重排列处理,得到重排列后的K空间数据,可以根据目标部位生理信号的状态对K空间数据进行重新排列,使重建后的电影图像可以反映目标部位不同生理信号状态下的组织结构、运动特征或者应变特性,便于对目标部位进行全面分析。
在一个实施例中,上述步骤S130,可以具体包括:对重排列后的K空间数据进行傅里叶变换,得到变换后的K空间数据;对变换后的K空间数据进行图像重建,得到目标部位的黑血电影图像。
其中,图像重建包括但不限于是基于深度学习、机器学习、压缩感知、并行成像或者低秩矩阵的图像重建。
具体实现中,针对重排列后的K空间数据,终端可以在时间维度对其进行傅里叶变换,将其转换到稀疏空间,得到变换后的K空间数据,对变换后的K空间数据进行图像重建,可以得到针对不同的生理信号的目标部位的黑血电影图像。其中,图像重建的方法可以但不限于是基于深度学习、机器学习、压缩感知、并行成像或者低秩矩阵的图像重建方法。
实际应用中,可以利用基于时空信息的动态图像降采重建方法,在时间维度进行傅里叶变换,将重排列后的K空间数据转换到稀疏空间,并使用深度学习、机器学习、压缩感知、并行成像、低秩矩阵等方法进行重建,实现不同生理信号维度下的黑血电影成像。
其中,动态图像降采重建方法可以采取基于低秩矩阵的重建方法,将数据排列为一个矩阵,利用其低秩特性作为新的约束条件进行重建。
其中,基于深度学习的重建算法可以利用相邻时间帧图像的相似性,使用神经网络对重建后的图像进行去混叠,从而实现电影成像的高质量重建。
本实施例中,通过对重排列后的K空间数据进行傅里叶变换,得到变换后的K空间数据;对变换后的K空间数据进行图像重建,得到目标部位的黑血电影图像,可以对重排列后的K空间数据进行图像重建,实现针对不同的生理信号的黑血电影成像,使重建后的黑血电影图像可以反映目标部位不同生理信号状态下的组织结构、运动特征或者应变特性,便于对目标部位进行全面分析。
为了便于本领域技术人员深入理解本申请实施例,以下将结合一个具体示例进行说明。
图6提供了一个磁共振黑血电影成像方法的流程示意图。根据图6,具体包括以下步骤:
步骤S310,三维快速自旋回波序列采取非均匀降采对目标区域进行快速成像。
具体地,可以采用三维快速自旋回波序列,施加准备脉冲,实现黑血多对比度成像,快速自旋回波序列利用激发脉冲和回聚脉冲实现一次激发采集多个回波,并填充K空间的多条数据线,可适用于任意采集轨迹,包括3D笛卡尔轨迹、3D径向轨迹、3D螺旋线轨迹、koosh ball(黄金角度径向采集轨迹)、stack of spiral(螺旋线堆轨迹)等;结合非均匀降采,利用信号的稀疏特性或者低秩特性,在远小于奈奎斯特采样率的条件下,在K空间中心区域实施满采,并在K空间外围区域使用适当的降采样倍数进行随机降采样,从而实现快速成像。
步骤S320,同步采集心电、呼吸、运动等生理信息。
具体地,可以利用心电门控、呼吸门控、运动监控等方式,同步采集心电、呼吸、运动等生理信号;还可以将采集到的心电信号按照心动周期分为多个心动分期(心动时相),将采集到的呼吸信号按照呼吸波分为吸气相、呼气相和平台期等呼吸分期,此外,针对采集到的运动信号,还可以从中提取出异常的运动信号,根据异常的运动信号确定运动分期。
步骤S330,对K空间采样点按照采集时所处的心动分期、呼吸分期、运动分期等进行重新分配。
具体地,可以在时间维度对K空间采样点进行重新分配,将采样点按照采集时所处的心动分期、呼吸分期、运动分期等重新排列成新的K空间。
步骤S340,利用基于时空信息的动态图像降采重建方法,实现对不同运动维度下的磁共振黑血电影成像。
具体地,可以利用基于时空信息的动态图像降采重建方法,在时间维度进行傅里叶变换,将新的K空间的数据转换到稀疏空间,并使用深度学习、机器学习、压缩感知、并行成像、低秩矩阵等方法进行重建,从而实现对不同运动维度下的黑血图像进行电影成像。
其中,基于低秩矩阵的重建方法可以将新的K空间的数据排列为一个矩阵,利用其低秩特性作为新的约束条件进行重建。
其中,基于深度学习的重建算法利用相邻时间帧图像的相似性,使用神经网络对重建后的图像进行去混叠,从而实现电影成像的高质量重建。
上述磁共振黑血电影成像方法,利用非均匀降采实现高空间分辨率成像,利用生理信号监控实现高时间分辨率成像,同时结合快速自旋回波技术实现三维黑血电影成像,从而对血管形态、管壁特征、斑块应变或脏器结构、血流应变等进行全面分析。
其中,非均匀降采利用远小于奈奎斯特采样率的信息,通过后处理重建获得高降采倍数下的高图像分辨率的图像重建。
而且,结合心电门控与运动监控等手段可以实现多方位的生理特征采集,充分获取心电、呼吸、运动等信息,从而在变换域充分提取不同特征下的离散信号加以重建,分解运动状态,实现高时间分辨率成像;
进一步地,结合快速自旋回波技术实现黑血电影成像,可以利用其高鲁棒性、高信噪比等优点,实现对全身血管和各脏器的全面分析。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的黑血电影成像方法的黑血电影成像装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个黑血电影成像装置实施例中的具体限定可以参见上文中对于黑血电影成像方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种黑血电影成像装置,包括:获取模块410、排列模块420和重建模块430,其中:
获取模块410,用于获取目标部位的K空间数据和生理信号;所述K空间数据所在的K空间包括中心区域和外围区域,所述中心区域的采样率大于所述外围区域的采样率;
排列模块420,用于根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据;
重建模块430,用于对所述重排列后的K空间数据进行图像重建处理,得到所述目标部位的黑血电影图像。
在一个实施例中,上述获取模块410,还用于根据预设的采样轨迹,在所述K空间对所述目标部位进行采样处理,得到所述K空间数据。
在一个实施例中,上述获取模块410,还用于根据所述采样轨迹,在所述K空间的中心区域对所述目标部位进行满采样处理,并在所述K空间的外围区域对所述目标部位进行降采样处理,得到所述K空间数据。
在一个实施例中,上述获取模块410,还用于在所述K空间的外围区域,对所述目标部位进行随机的降采样处理;所述随机的降采样处理的采样率小于奈奎斯特采样率。
在一个实施例中,上述获取模块410,还用于确定所述目标部位的K空间数据的采样时刻;根据所述采样时刻,采集所述目标部位的生理信号。
在一个实施例中,上述排列模块420,还用于根据所述生理信号的状态,确定所述生理信号对应的状态分期;根据所述状态分期,对所述K空间数据进行重排列处理,得到所述重排列后的K空间数据。
在一个实施例中,上述排列模块420,还用于确定所述心动分期、所述呼吸分期和/或所述运动分期;根据所述心动分期、所述呼吸分期和/或所述运动分期,对所述K空间数据进行重排列处理,得到所述重排列后的K空间数据。
在一个实施例中,上述重建模块430,还用于对所述重排列后的K空间数据进行傅里叶变换,得到变换后的K空间数据;对所述变换后的K空间数据进行图像重建,得到所述目标部位的所述黑血电影图像。
上述黑血电影成像装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种黑血电影成像方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种黑血电影成像方法,其特征在于,所述方法包括:
获取目标部位的K空间数据和生理信号;所述K空间数据所在的K空间包括中心区域和外围区域,所述中心区域的采样率大于所述外围区域的采样率;
根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据;
对所述重排列后的K空间数据进行图像重建,得到所述目标部位的黑血电影图像。
2.根据权利要求1所述的方法,其特征在于,所述获取目标部位的K空间数据和生理信号,包括:
根据预设的采样轨迹,在所述K空间对所述目标部位进行采样处理,得到所述K空间数据。
3.根据权利要求2所述的方法,其特征在于,所述根据预设的采样轨迹,在所述K空间对所述目标部位进行采样处理,得到所述K空间数据,包括:
根据所述采样轨迹,在所述K空间的中心区域对所述目标部位进行满采样处理,并在所述K空间的外围区域对所述目标部位进行降采样处理,得到所述K空间数据。
4.根据权利要求3所述的方法,其特征在于,所述在所述K空间的外围区域对所述目标部位进行降采样处理,包括:
在所述K空间的外围区域,对所述目标部位进行随机的降采样处理;所述随机的降采样处理的采样率小于奈奎斯特采样率。
5.根据权利要求1所述的方法,其特征在于,所述获取目标部位的K空间数据和生理信号,还包括:
确定所述目标部位的K空间数据的采样时刻;
根据所述采样时刻,采集所述目标部位的生理信号。
6.根据权利要求5所述的方法,其特征在于,所述根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据,包括:
根据所述生理信号的状态,确定所述生理信号对应的状态分期;
根据所述状态分期,对所述K空间数据进行重排列处理,得到所述重排列后的K空间数据。
7.根据权利要求6所述的方法,其特征在于,所述生理信号包括心电信号、呼吸信号和/或运动信号,所述状态分期包括所述心电信号对应的心动分期、所述呼吸信号对应的呼吸分期和/或所述运动信号对应的运动分期;所述根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据,还包括:
确定所述心动分期、所述呼吸分期和/或所述运动分期;
根据所述心动分期、所述呼吸分期和/或所述运动分期,对所述K空间数据进行重排列处理,得到所述重排列后的K空间数据。
8.根据权利要求1所述的方法,其特征在于,所述对所述重排列后的K空间数据进行图像重建,得到所述目标部位的黑血电影图像,包括:
对所述重排列后的K空间数据进行傅里叶变换,得到变换后的K空间数据;
对所述变换后的K空间数据进行图像重建,得到所述目标部位的所述黑血电影图像。
9.一种黑血电影成像装置,其特征在于,所述装置包括:
获取模块,用于获取目标部位的K空间数据和生理信号;所述K空间数据所在的K空间包括中心区域和外围区域,所述中心区域的采样率大于所述外围区域的采样率;
排列模块,用于根据所述生理信号的状态,对所述K空间数据进行重排列处理,得到重排列后的K空间数据;
重建模块,用于对所述重排列后的K空间数据进行图像重建处理,得到所述目标部位的黑血电影图像。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211705690.1A CN116115189A (zh) | 2022-12-29 | 2022-12-29 | 黑血电影成像方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211705690.1A CN116115189A (zh) | 2022-12-29 | 2022-12-29 | 黑血电影成像方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116115189A true CN116115189A (zh) | 2023-05-16 |
Family
ID=86293897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211705690.1A Pending CN116115189A (zh) | 2022-12-29 | 2022-12-29 | 黑血电影成像方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116115189A (zh) |
-
2022
- 2022-12-29 CN CN202211705690.1A patent/CN116115189A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sandino et al. | Accelerating cardiac cine MRI using a deep learning‐based ESPIRiT reconstruction | |
Lin et al. | Artificial intelligence for MR image reconstruction: an overview for clinicians | |
Hauptmann et al. | Real‐time cardiovascular MR with spatio‐temporal artifact suppression using deep learning–proof of concept in congenital heart disease | |
Dar et al. | Prior-guided image reconstruction for accelerated multi-contrast MRI via generative adversarial networks | |
Tamada et al. | Motion artifact reduction using a convolutional neural network for dynamic contrast enhanced MR imaging of the liver | |
US9953439B2 (en) | Systems and methods for three-dimensional spiral perfusion imaging | |
Cole et al. | Analysis of deep complex-valued convolutional neural networks for MRI reconstruction | |
Chen et al. | OCMR (v1. 0)--open-access multi-coil k-space dataset for cardiovascular magnetic resonance imaging | |
Lv et al. | Which GAN? A comparative study of generative adversarial network-based fast MRI reconstruction | |
KR101939642B1 (ko) | 모션 분해 mri를 위한 시스템 및 방법 | |
Cheng et al. | Learning data consistency and its application to dynamic MR imaging | |
Knoll et al. | Deep learning methods for parallel magnetic resonance image reconstruction | |
Ting et al. | Fast implementation for compressive recovery of highly accelerated cardiac cine MRI using the balanced sparse model | |
Jaubert et al. | Real‐time deep artifact suppression using recurrent U‐nets for low‐latency cardiac MRI | |
Zhou et al. | Dual-domain self-supervised learning for accelerated non-Cartesian MRI reconstruction | |
Cheng et al. | Compressed sensing: From research to clinical practice with data-driven learning | |
Ma et al. | Motion‐robust quantitative multiparametric brain MRI with motion‐resolved MR multitasking | |
Kleineisel et al. | Real‐time cardiac MRI using an undersampled spiral k‐space trajectory and a reconstruction based on a variational network | |
Jaubert et al. | Deep artifact suppression for spiral real-time phase contrast cardiac magnetic resonance imaging in congenital heart disease | |
Velasco et al. | Artificial intelligence in cardiac magnetic resonance fingerprinting | |
Sui et al. | Simultaneous image reconstruction and lesion segmentation in accelerated MRI using multitasking learning | |
Yakkundi et al. | Convolutional LSTM: A deep learning approach for dynamic MRI reconstruction | |
CN116115189A (zh) | 黑血电影成像方法、装置和计算机设备 | |
CN111009020B (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
Gao et al. | Undersampling artifact reduction for free-breathing 3D stack-of-radial MRI based on a deep adversarial learning network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |